El argumento, asociado a Chomsky y a la gramática generativa, parte de una asimetría: los niños reciben un corpus finito, ruidoso y casi sin evidencia negativa (nadie les dice qué oraciones son agramaticales), y aun así convergen rápido en la misma gramática. Si los datos son compatibles con muchas hipótesis y los niños eligen siempre la correcta, algo debe restringir la búsqueda: una Gramática Universal innata. El ejemplo clásico son las preguntas polares del inglés. De The man who is tired is eating se forma Is the man who is tired eating? y no *Is the man who tired is eating?: los niños aplican la regla jerárquica (anteponer el auxiliar de la cláusula principal) y no la lineal (anteponer el primero), aunque rara vez oigan casos que permitan distinguirlas.
Millière y Buckner (2024a) separan dos tesis que suelen confundirse (2024a, sec. 3.2). La tesis fuerte de aprendibilidad dice que ningún volumen de datos basta sin sesgos gramaticales; los LLMs, que adquieren sintaxis sofisticada sin ellos, son una «prueba de existencia empirista» en su contra. La tesis del desarrollo, la de la pobreza del estímulo propiamente dicha, dice que los datos que efectivamente reciben los niños no bastan; y los modelos grandes ven al menos miles de veces más texto (Piantadosi, 2024, p. 366). Piantadosi (2024) cree que los LLMs zanjan la cuestión, aunque admite que falta ver qué logran con datos de tamaño humano (2024, pp. 371–372).
Ahí está la frontera empírica. Yedetore et al. (2023) entrenaron LSTMs y transformers con habla dirigida a niños de un volumen comparable al real: captaron bien la estadística superficial, pero generalizaron las preguntas polares con la regla lineal; concluyen que hacen falta sesgos más fuertes que los de estas arquitecturas (2023, p. 9370). A la vez, Kallini et al. (2024) mostraron que GPT-2 aprende peor lenguas «imposibles» que el inglés, contra la afirmación de Chomsky de que los LLMs aprenderían ambas por igual, y Kallini y Potts (2026) proponen usar los modelos para aislar qué sesgos inductivos separan lo posible de lo imposible. La pregunta ya no es si un aprendiz estadístico puede aprender gramática, sino con qué sesgos y cuántos datos (véase empirismo vs innatismo).